一句话看懂：多智能体系统在投研场景里并不是“加人越多效果越好”，AgentWorld 论文显示最好的模型任务成功率仅 52%，真正推进任务的动作不到三分之一。值得关注的是，协调本身正在吃掉多智能体省下的时间。
事件核心：发生了什么
投资人 Martin（@gangtiser）引用了 AgentWorld 论文的结论：当一个多智能体团队由 3 到 20 个 agent 组成时，真正对最终结果有贡献的动作不到三分之一，其余大多是重复劳动、信息没对齐或计划中途丢失。论文中表现最好的模型，任务成功率也只有 52%。
这和投研里常见的做法直接相关：让几个 agent 分别看财报、新闻、行业数据和估值，再拼成一份报告。角色分不清、共享假设和中间结论不稳定时，就会出现重复挖同一段数据、关键数字互相打架、最终结论对不上的情况。协调成本，往往把多智能体本该省下的时间抵消掉了。
为什么重要
这给多智能体热泼了一盆冷水。眼下不少 AI 应用和 API 编排框架都在强调“多 agent 协作”，但从这项研究看，agent 数量和任务成功率之间并不成正比。真正稀缺的不是更多角色，而是稳定的状态共享、可追溯的假设跟踪和清晰的计划对齐。对做 AI 应用的团队来说，这意味着单纯堆 agent 可能带来更高的推理成本和更差的可靠性，而不是更强的结果。
对用户/开发者/创作者的影响
对开发者，优先把单点能力做扎实更划算：数据抽取、交叉校验、假设跟踪这类基础模块，比再加一个 agent 更能提升最终质量。对用 AI 做投研或内容创作的用户，遇到“多 agent 报告”产品时，可以追问它怎么处理冲突数字、怎么保持中间结论一致，而不是只看它有几个 agent。对企业采购，也要把协调开销和失败率算进成本，避免为重复劳动买单。目前公开信息显示，这类系统的可靠性仍在早期阶段。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是看 AgentWorld 后续是否公布更细的任务类型与失败原因拆分；二是看主流 agent 编排框架会不会把共享状态、计划对齐做成一等能力；三是看投研类 AI 产品是否从“堆 agent”转向“少而稳、单点扎实”的路线。
来源：@gangtiser
